Key points are not available for this paper at this time.
تعد دالة الخسارة الخاصة بانحدار صندوق الحدود (BBR) ضرورية لاكتشاف الكائنات. ستحقق التعريف الجيد تحسنًا كبيرًا في أداء النموذج. تفترض معظم الأعمال الحالية أن الأمثلة في بيانات التدريب عالية الجودة وتركز على تعزيز قدرة التوفيق لدالة خسارة BBR. إذا قمنا بتعزيز BBR بشكل أعمى على أمثلة منخفضة الجودة، فإن ذلك سي jeopardize أداء التحديد. تم اقتراح Focal-EIoU v1 لحل هذه المشكلة، ولكن بسبب آلية التركيز الثابتة (FM)، لم يتم استغلال إمكانيات FM غير الأحادي بالكامل. بناءً على هذه الفكرة، نقترح دالة خسارة تعتمد على IoU مع FM غير الأحادي الديناميكي تدعى Wise-IoU (WIoU). يستخدم FM غير الأحادي الديناميكي درجة الشذوذ بدلاً من IoU لتقييم جودة صناديق التثبيت ويقدم استراتيجية توزيع مكتسبات التدرج الحكيمة. تقلل هذه الاستراتيجية من تنافسية صناديق التثبيت عالية الجودة بينما تقلل أيضًا من التدرج الضار الناتج عن الأمثلة منخفضة الجودة. وهذا يسمح لـ WIoU بالتركيز على صناديق التثبيت العادية الجودة وتحسين الأداء العام للكاشف. عندما يتم تطبيق WIoU على الكاشف المتقدم في الوقت الحقيقي YOLOv7، يتحسن AP-75 على مجموعة بيانات MS-COCO من 53.03% إلى 54.50%. الشيفرة متاحة على https://github.com/Instinct323/wiou.
درس تونغ وزملاؤه (الثلاثاء) هذا السؤال.